Skip to content

Latest commit

 

History

History
262 lines (202 loc) · 11.1 KB

README.ch.md

File metadata and controls

262 lines (202 loc) · 11.1 KB
Raw

The fault diagnosis code demo of HNU intelligent diagnosis Groups

模型介绍

实现了经典CNN模型，视觉Transformer模型，Hybrid模型的智能故障诊断。处理的数据为一维振动数据，因此在相关模型的结构上（堆叠层数，参数，维度变换）与原作者论文有些许不同，具体实现的模型backbone如下：

经典CNN分类模型 论文地址
VGG https://arxiv.org/abs/1409.1556
Mobilenetv2 https://arxiv.org/abs/1801.04381
Wrn https://arxiv.org/abs/1605.07146
ResNet https://arxiv.org/abs/1512.03385
EHcnn (Proposed by HNU IDG) https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDAUTO&filename=HKXB202209008&uniplatform=NZKPT&v=8XwRD3UrBzc5RLf7bgtiV03xKtD_9kS4MV9A71YudCNH_8tQnvjpIXlFSqD3JoDc
Dilated EHcnn(Proposed by HNU IDG) https://iopscience.iop.org/article/10.1088/1361-6501/ac1b43
经典视觉Transformer模型
ViT https://arxiv.org/abs/2010.11929
Hybrid模型
Convformer-NSE(Proposed by HNU IDG) https://ieeexplore.ieee.org/document/9872314
MaxVit https://arxiv.org/abs/2204.01697
LocalVit https://arxiv.org/abs/2104.05707
Neighborhood Attention Transformer https://arxiv.org/abs/2204.07143
McSwin Transformer https://doi.org/10.1016/j.isatra.2022.04.043

通过model_dict可以访问不同参数的backbone

model_dict = {'vgg11': vgg11,
              'vgg13': vgg13,
              'vgg16': vgg16,
              'vgg19': vgg19,
              'convformer_v1_s': convoformer_v1_small,
              'convformer_v1_m': convoformer_v1_middle,
              'convformer_v1_b': convormer_v1_big,
              'convformer_v2_s': convoformer_v2_small,
              'convformer_v2_m': convoformer_v2_middle,
              'convformer_v2_b': convormer_v2_big,
              'wrn_16_1': wrn_16_1,
              'wrn_16_2': wrn_16_2,
              'wrn_40_1': wrn_40_1,
              'wrn_40_2': wrn_40_2,
              'ehcnn_24_16': ehcnn_24_16,
              'ehcnn_30_32': ehcnn_30_32,
              'ehcnn_24_16_dilation': ehcnn_24_16_dilation,
              'resnet18': resnet18,
              'resnet34': resnet34,
              'resnet50': resnet50,
              'resnet101': resnet101,
              'resnet152': resnet152,
              'vit_base': vit_base,
              'vit_middle_16': vit_middle_patch16,
              'vit_middle_32': vit_middle_patch32,
              "mobilenet_half": mobilenet_half,
              'max_vit_tiny_16': max_vit_tiny_16,
              'max_vit_tiny_32': max_vit_tiny_32,
              'max_vit_small_16': max_vit_small_16,
              'max_vit_small_32': max_vit_small_32,
              'localvit_base_patch16_type1': localvit_base_patch16_type1,
              'localvit_base_patch16_type2': localvit_base_patch16_type2,
              ' localvit_middle1_patch16_type1': localvit_middle1_patch16_type1,
              'localvit_middle12_patch16_type1': localvit_middle2_patch32_type1,
              'nat_tiny': nat_tiny,
              'nat_small':nat_small,
              'nat_base':nat_base}

数据集介绍

1.湖南大学锥齿轮试验台故障数据

文件结构：

| Data/
|————work condition1.xx
|----work condition2.xx
|----.....

实验装置：

<<<<<<< HEAD 湖南大学实验装置

湖南大学实验装置

4a9fc8ff7c320ef03f6e8e91cb5c3a006de84603

2.西安交通大学齿轮箱试验台故障数据

| Data/
|----work condtion1
|    |---- Channel one.xx
|    |---- Channel two.xx
|    |---- ......
|----work condition2
|    |---- Channel one.xx
|    |---- Channel two.xx
|    |---- ......
|......

实验装置：

<<<<<<< HEAD 西安交通大学实验装置

西安交通大学实验装置

4a9fc8ff7c320ef03f6e8e91cb5c3a006de84603

3.DDS齿轮箱试验台故障数据

文件结构：

| Data/
|---- work condtion1
|     |---- data.xx
|---- work condtion2
|     |---- data.xx

实验装置：

<<<<<<< HEAD DDS实验装置

DDS实验装置

4a9fc8ff7c320ef03f6e8e91cb5c3a006de84603

实验结果

实验采用了西安交通大学的齿轮箱公开数据集，每类故障训练样本为100个，测试样本为200个，样本长度为1024，双通道，连续两个样本之间的重合率为30%，实验结果如下：

Model Type Data length Epochs Best Top-1 Acc
Vgg 'vgg11' 1024 100 93.64%
ResNet 'resnet18' 1024 100 100%
Ehcnn 'ehcnn_24_16' 1024 100 100%
Ehcnn_dilated 'ehcnn_24_16_dilated' 1024 100 100%
WRN 'wrn_16_1' 1024 100 98.61%
VIT 'vit_base' 1024 100 77.72%
Convformer 'convformer_v1_s' 1024 100 100%
LocalVit 'localvit_base_patch16_type1' 1024 100 100%
MaxVit 'max_vit_tiny' 1024 100 88.13%
Nat 'nat_tiny' 1024 100 100%

安装教程

代码是在Windows10，Python 3.7，Pytorch 1.7.01, CUDA10.1环境下进行测试

安装依赖库：

pip install -r requirement.txt

本地克隆代码：

git clone https://gitee.com/fletahsy/the-fault-diagnosis-code-demo-of-hnu-intelligent-diagnosis-team.git

关键参数说明

--optimizer_name: 支持使用的优化器,如果需要添加或自定义新的优化器,请修改create_optimizer函数
--lr_scheduler: 支持使用的学习率变化测率,如果需要添加或自定义新的策略,请修改create_scheduler函数
--loss_name: 支持使用的损失,如果需要添加或自定义新的损失函数,请修改creat_loss函数
--datasets: 支持使用的数据集,见数据集介绍三种文件结构
--model_name: 支持的Backbone, 见model_dict字典
--use_ratio: 是否采用ratio划分样本
--size: 每类别的总样本数,若use_ratio为True,则根据size和use_ratio划分训练样本和测试样本
--train_size_use:训练样本数,use_ratio为False时起作用,适用于不平衡数据集时的训练
--test_size:测试样本数,use_ratio为False时起作用,适用于不平衡数据集时的测试
--num_cls:分类类别
-ic, --input_channel:输入一维数据的channel数
--layer_args:分类层的结构参数

如何使用

最简单的例子，指定work_dir, 模型和数据集

因为不同数据集对应的故障类别不同，也需要指定num_cls参数

python train.py --work_dir to/path/data --model vgg11 --datasets hnu_datasets --num_cls 8

当采用Vit，LocalVit，MaxVit训练时需要额外指定样本的长度（涉及到Patch Embed操作），样本的长度应该为32的整数倍

python train.py --work_dir to/path/data --model max_vit_tiny_16 --datasets hnu_datasets --length 1024 --num_cls 8

我们同样提供了train_dynamic.py文件用于训练（Proposed by HUN IDG）,适用于训练样本不平衡时对样本权重系数进行动态的调整。

Noted

代码目前只支持单GPU的训练和测试

引用

如果你采用了EHcnn模型的代码作为对比实验，请引用：

@article{Han2022DL,
        title={Intelligent fault diagnosis of aero-engine high-speed bearing using enhanced convolutional neural network},
        author={Han SongYu and Shao Haidong and Jiang Hongkai and Zhang Xiaoyang},
        journal={航空学报},
        year={2022}}

如果你采用了EHcnn模型或者enhanced cross entropy作为对比实验，请引用：

@article{Han2022DL,
        title={Novel multi-scale dilated CNN-LSTM for fault diagnosis of planetary gearbox with unbalanced samples under noisy environment},
        author={Han Songyu and Zhong Xiang and Shao Haidong and Xu Tianao and Zhao Rongding and Cheng Junsheng},
        journal={Measurement Science and Techonology},
        year={2021}}

如果你采用了Convformer-nse模型作为对比实验，请引用:

@article{Han2022DL,
        title={Convformer-NSE: A Novel End-to-End Gearbox Fault Diagnosis Framework Under Heavy Noise
Using Joint Global and Local Information},
        author={Han Songyu and Shao Haidong and Cheng Junsheng and Yang Xingkai and Cai Baoping},
        journal={IEEE/ASME Transactions on Mechatronics},
        year={2022}}

如果你采用了动态训练(train_dynamic.py)作为对比实验，请引用：

@article{Han2022DL,
        title={End-to-end chiller fault diagnosis using fused attention mechanism and dynamic cross-entropy under imbalanced datasets},
        author={Han SongYu and Shao Haidong and Huo Zhiqiang and Yang Xingkai and Cheng Junsheng},
        journal={Building and Environment},
        year={2022}}

如果你采用了公开的西安交通大学数据集（链接如下），请根据相关要求对论文进行引用，引用格式为：

[1] Tianfu Li, Zheng Zhou, Sinan Li, Chuang Sun, Ruqiang Yan, Xuefeng Chen, “The emerging graph 
neural networks for intelligent fault diagnostics and prognostics: A guideline and a benchmark study,”
*Mechanical Systems and Signal Processing*, vol. 168, pp. 108653, 2022. DOI:
10.1016/j.ymssp.2021.108653

XJTU齿轮箱试验台数据集

联系方式

如果对代码有任何问题，或者想要进行智能故障诊断，缺陷检测的交流，欢迎联系：

fletahsy@hnu.edu.cn

导师邮箱：hdshao@hnu.edu.cn